Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره تکنیک های مهم در ارزیابی مدل برای برخی از محبوب ترین انواع تکنیک های داده کاوی را پوشش می دهد. این تکنیک ها از یادگیری قوانین ارتباط گرفته تا خوشه بندی ، رگرسیون و طبقه بندی را شامل می شوند. استخراج داده اصطلاحی چتری است که برای تکنیک هایی که الگوها را در مجموعه داده های بزرگ پیدا می کنند ، استفاده می شود. بنابراین ، می توان داده کاوی را به عنوان کاربرد تکنیک های یادگیری ماشین در داده های بزرگ تصور کرد. در این دوره ، با ارزیابی یک مدل داده کاوی ، توانایی پاسخگویی به دو س importantال مهمی را که هر یک از متخصصان داده کاوی باید به آنها پاسخ دهند ، خواهید یافت - آیا مدل خاصی برای این داده ها معتبر است؟ و اگر بله ، آن مدل به ما چه می گوید؟ ابتدا یاد خواهید گرفت که ارزیابی مناسب بودن مدل و تفسیر نتایج مدل مراحل کلیدی در فرآیند داده کاوی است. در مرحله بعدی ، خواهید فهمید که چگونه انجمن یادگیری - یک روش کلاسیک داده کاوی - اجرا و ارزیابی می شود. سرانجام ، با دیدن چگونگی پیاده سازی و ارزیابی تکنیک های محبوب راه حل ML - رگرسیون ، طبقه بندی و خوشه بندی - دانش خود را جمع آوری می کنید. پس از پایان این دوره ، مهارت و دانش لازم برای اجرای تکنیک های داده کاوی ، ارزیابی آنها برای تناسب مدل و سپس تفسیر هوشمندانه یافته های آنها را خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
ارزیابی اثربخشی یک مدل خوشه بندی
Evaluating the Effectiveness of a Clustering Model
بررسی اجمالی ماژول
Module Overview
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
ارزیابی نتایج داده کاوی
Evaluating the Results of Data Mining
مدل های جعبه سفید و رانش مفهوم
White-box Models and Concept Drift
نسخه ی نمایشی: انجام تجزیه و تحلیل خوشه بندی با استفاده از خوشه بندی K-means
Demo: Performing Clustering Analysis Using K-means Clustering
نسخه ی نمایشی: انجام تجزیه و تحلیل خوشه بندی با استفاده از خوشه بندی جمع کننده و خوشه بندی تغییر میانگین
Demo: Performing Clustering Analysis Using Agglomerative Clustering and Mean Shift Clustering
نسخه ی نمایشی: ارزیابی خوشه بندی K-means با استفاده از مجموع فاصله های مربع و امتیاز سیلوئت
Demo: Evaluating K-means Clustering Using Sum of Squared Distances and Silhoutte Score
نسخه ی نمایشی: ارزیابی خوشه بندی جمع کننده و تخمین پهنای باند مناسب برای خوشه بندی تغییر میانگین
Demo: Evaluating Agglomerative Clustering and Estimating the Right Bandwidth for Mean Shift Clustering
خلاصه ماژول
Module Summary
ارزیابی اثربخشی قانون استخراج قانون انجمن
Evaluating the Effectiveness of Association Rule Mining
بررسی اجمالی ماژول
Module Overview
قانون استخراج قانون برای تجزیه و تحلیل سبد بازار
Association Rule Mining for Market Basket Analysis
موارد پشتیبانی و موارد مکرر
Support and Frequent Itemsets
اعتماد به نفس ، آسانسور ، و محکومیت
Confidence, Lift, and Conviction
مروری بر الگوریتم Apriori
An Overview of the Apriori Algorithm
نسخه ی نمایشی: استفاده از الگوریتم Apriori برای تولید مجموعه های مکرر موارد
Demo: Using the Apriori Algorithm to Generate Frequent Itemsets
نسخه ی نمایشی: انجمن قانون استخراج بر روی یک مجموعه داده اسباب بازی
Demo: Association Rule Mining on a Toy Dataset
نسخه ی نمایشی: کاوش در مجموعه سبد نان
Demo: Exploring the Bread Basket Dataset
نسخه ی نمایشی: استخراج قاعده انجمن با استفاده از داده های سبد نان
Demo: Association Rule Mining Using the Bread Basket Data
خلاصه ماژول
Module Summary
ارزیابی اثربخشی مدلهای رگرسیون
Evaluating the Effectiveness of Regression Models
ارزیابی اثربخشی مدلهای طبقه بندی
Evaluating the Effectiveness of Classification Models
بررسی اجمالی ماژول
Module Overview
دقت به عنوان یک معیار ارزیابی
Accuracy as an Evaluation Metric
دقت و فراخوانی برای ارزیابی طبقه بندی ها
Precision and Recall to Evaluate Classifiers
منحنی ROC
The ROC Curve
اعتبارسنجی مدل ها با استفاده از مجموعه های آموزشی ، اعتبار سنجی و تست
Validating Models Using Training, Validation, and Test Sets
اعتبار سنجی متقابل K برابر است
K-fold Cross Validation
نسخه ی نمایشی: بررسی مجموعه طبقه بندی
Demo: Exploring the Classification Dataset
نسخه ی نمایشی: اعتبار سنجی K-fold ، Hold-out و Shuffle Split Cross
Demo: K-fold, Hold-out, and Shuffle Split Cross Validation
نسخه ی نمایشی: جستجوی شبکه برای تنظیم Hyperparameter با اعتبار سنجی
Demo: Grid Search for Hyperparameter Tuning with Cross Validation
نسخه ی نمایشی: ارزیابی مدل با استفاده از دقت ، دقت ، یادآوری و منحنی ROC
Demo: Evaluating the Model Using Accuracy, Precision, Recall and the ROC Curve
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات